Habits
- Instalando os pacotes
- Preparar dados
- Modelo de
Entrada
- Calculando os outliers
- Exploração dos dados
- Histograma
- Correlação
- Simulador Computacional por prioridade
- Variavel: Quantidade de atendentes
- Mode: Os atendimentos são atendidos por ordem de chegada e prioridade, para cada QTDE_MINIMO_ATENDIDO chamados com tempo de serviço MENOR OU IGUAL ao VALOR_CORTE, um chamado com tempo de serviço MAIOR que VALOR_CORTE é atendido. Caso não tenha serviços na fila adequados, o primeiro da fila sera atendido.
- Simulador com for i
- Gerador de Números Aleatórios
- Validando gerador de números
- Execução do Simulador
- Analisando resultados das simulações
Instalando os pacotes
# install.packages("base")
library(ggplot2)
# install.packages("corrplot")
library(corrplot)## corrplot 0.92 loaded# install.packages("fmsb")
library(fmsb)
# install.packages("ggplot2")
library(ggplot2)
# install.packages("dplyr")
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union# install.packages("rmarkdown")
library(rmarkdown)Preparar dados
tc <- read.table("./data/tc.txt", header = TRUE)
ts <- read.table("./data/ts.txt", header = TRUE)
dataframe_tempos <- cbind(tc, ts)
colnames(dataframe_tempos) <- c("chegada", "servico")
dataframe_tempos$chegada <- as.numeric(dataframe_tempos$chegada)
dataframe_tempos$servico <- as.numeric(dataframe_tempos$servico)
summary(dataframe_tempos)## chegada servico
## Min. : 0.000 Min. : 8.00
## 1st Qu.: 3.000 1st Qu.: 9.00
## Median : 5.000 Median :11.00
## Mean : 4.628 Mean :11.02
## 3rd Qu.: 6.000 3rd Qu.:13.00
## Max. :10.000 Max. :14.00colunas <- c(
"valor_corte",
"percentual_corte",
"qtde_minimo_atendido",
"algoritmo",
"qtde_atendentes",
"tempo_total",
"tempo_total_da_fila_ocupada",
"tempo_max_fila",
"media_na_fila",
"tamanho_max_fila",
"tempo_atendente_ocioso_media"
)Modelo de Entrada
Calculando os outliers
# Outliers da chegada
quantile_chegada <- quantile(dataframe_tempos$chegada, probs = c(.25, .50, .75), na.rm = FALSE)
amplitude_chegada <- max(dataframe_tempos$chegada) - min(dataframe_tempos$chegada)
# Outliers da chegada
quantile_servico <- quantile(dataframe_tempos$servico, probs = c(.25, .50, .75), na.rm = FALSE)
amplitude_servico <- max(dataframe_tempos$servico) - min(dataframe_tempos$servico)Exploração dos dados
Criando data frame com medidas de posição e dispersão dos dados
df_medidas <- data.frame(
Metrica = c("Média", "Desvio Padrão", "Variância", "Mediana", "MÃnimo", "Máximo", "Amplitude", "Outlier Baixo Moderado", "Outlier Alto Moderado", "Outlier Baixo Extremo", "Outlier Alto Extremo"),
TempoChegada = c(
mean(dataframe_tempos$chegada), # média
sd(dataframe_tempos$chegada), # desvio padrão
var(dataframe_tempos$chegada), # variância da amostra
median(dataframe_tempos$chegada), # mediana
min(dataframe_tempos$chegada), # minimo
max(dataframe_tempos$chegada), # maximo
amplitude_chegada, # amplitude
quantile_chegada[1] - 1.5 * amplitude_chegada,
quantile_chegada[3] + 1.5 * amplitude_chegada,
quantile_chegada[1] - 3 * amplitude_chegada,
quantile_chegada[3] + 3 * amplitude_chegada
),
TempoServico = c(
mean(dataframe_tempos$servico), # média
sd(dataframe_tempos$servico), # desvio padrão
var(dataframe_tempos$servico), # variância da amostra
median(dataframe_tempos$servico), # mediana
min(dataframe_tempos$servico), # minimo
max(dataframe_tempos$servico), # maximo
amplitude_servico, # amplitude
quantile_servico[1] - 1.5 * amplitude_servico,
quantile_servico[3] + 1.5 * amplitude_servico,
quantile_servico[1] - 3 * amplitude_servico,
quantile_servico[3] + 3 * amplitude_servico
)
)Com o dataframe é possÃvel identificar que o dataset não possui outliers.
Histograma
par(mfrow = c(1, 2))
hist(dataframe_tempos$chegada, main = "Histograma: tempos de chegada", xlab = "Tempo de chegada", ylab = "Frequência", col = "blue")
hist(dataframe_tempos$servico, main = "Histograma: tempos de serviço", xlab = "Tempo de serviço", ylab = "Frequência", col = "red")
### Utilizando os histogramas gerados podemos observar que os dados de
chegada seguem uma distribuição normal, já o tempo de seviço é uma
distribuição uniforme
Correlação
pairs(dataframe_tempos)
acf(dataframe_tempos$chegada, pl = TRUE)
acf(dataframe_tempos$servico, pl = TRUE)
corrplot(cor(dataframe_tempos), method = "number")
# Criando funções ## Simulador Computacional quantitativo ## Variavel:
Quantidade de atendentes ## Mode: Os atendimentos são atendidos por
ordem de chegada
simulador_computacional <- function(dados, qtde_atendentes) {
fila <- data.frame()
atendidos <- 0
qtde_chegadas <- 0
unidade_tempo <- 0
tempo_total_da_fila_ocupada <- 0
tempo_total_na_fila <- 0
tamanho_max_fila <- 0
tempo_max_fila <- 0
tempo_atendente_ocioso <- 0
atendentes <- data.frame(disponivel = rep(TRUE, qtde_atendentes), tempo_servico = rep(0, qtde_atendentes), tempo_atendimento = rep(0, qtde_atendentes))
dados$soma_chegada <- cumsum(dados$chegada)
while (atendidos < nrow(dados)) {
while (!is.na(dados$soma_chegada[qtde_chegadas + 1]) && dados$soma_chegada[qtde_chegadas + 1] == unidade_tempo) {
fila <- rbind(fila, dados[qtde_chegadas + 1,])
qtde_chegadas <- qtde_chegadas + 1
}
if (nrow(fila) > 0) {
tempo_total_da_fila_ocupada <- tempo_total_da_fila_ocupada + 1
fila
}
if (nrow(fila) > tamanho_max_fila) {
tamanho_max_fila <- nrow(fila)
}
for (i in 1:qtde_atendentes) {
if (atendentes$disponivel[i]) {
if (nrow(fila) > 0) {
atendentes$tempo_servico[i] <- fila$servico[1]
atendentes$disponivel[i] <- FALSE
atendentes$tempo_atendimento[i] <- 0
tempo_total_na_fila <- tempo_total_na_fila + (unidade_tempo - fila$soma_chegada[1])
if ((unidade_tempo - fila$soma_chegada[1]) > tempo_max_fila) {
tempo_max_fila <- unidade_tempo - fila$soma_chegada[1]
}
fila <- fila[-1,]
} else {
tempo_atendente_ocioso <- tempo_atendente_ocioso + 1
}
} else {
atendentes$tempo_atendimento[i] <- atendentes$tempo_atendimento[i] + 1
if (atendentes$tempo_atendimento[i] == atendentes$tempo_servico[i]) {
atendidos <- atendidos + 1
atendentes$disponivel[i] <- TRUE
atendentes$tempo_atendimento[i] <- 0
atendentes$tempo_servico[i] <- 0
}
}
}
unidade_tempo <- unidade_tempo + 1
}
return(data.frame(
atendidos = atendidos,
qtde_chegadas = qtde_chegadas,
qtde_atendentes = qtde_atendentes,
tempo_total = unidade_tempo,
tempo_total_da_fila_ocupada = tempo_total_da_fila_ocupada,
tempo_max_fila = tempo_max_fila,
tempo_total_na_fila = tempo_total_na_fila,
media_na_fila = tempo_total_na_fila / qtde_chegadas,
tamanho_max_fila = tamanho_max_fila,
tempo_atendente_ocioso = tempo_atendente_ocioso,
tempo_atendente_ocioso_media = tempo_atendente_ocioso / qtde_atendentes,
algoritmo = NA,
valor_corte = NA,
percentual_corte = NA,
qtde_minimo_atendido = NA,
metodo = NA
))
}Simulador Computacional por prioridade
Variavel: Quantidade de atendentes
Mode: Os atendimentos são atendidos por ordem de chegada e prioridade, para cada QTDE_MINIMO_ATENDIDO chamados com tempo de serviço MENOR OU IGUAL ao VALOR_CORTE, um chamado com tempo de serviço MAIOR que VALOR_CORTE é atendido. Caso não tenha serviços na fila adequados, o primeiro da fila sera atendido.
simulador_computacional_prioridade_corte <- function(dados, qtde_atendentes, valor_corte, qtde_minimo_atendido = 2) {
fila <- data.frame()
atendidos <- 0
qtde_chegadas <- 0
unidade_tempo <- 0
tempo_total_da_fila_ocupada <- 0
tempo_total_na_fila <- 0
tamanho_max_fila <- 0
tempo_max_fila <- 0
tempo_atendente_ocioso <- 0
chamados_atendidos_corte <- 0
atendentes <- data.frame(disponivel = rep(TRUE, qtde_atendentes), tempo_servico = rep(0, qtde_atendentes), tempo_atendimento = rep(0, qtde_atendentes))
dados$soma_chegada <- cumsum(dados$chegada)
while (atendidos < nrow(dados)) {
while (!is.na(dados$soma_chegada[qtde_chegadas + 1]) && dados$soma_chegada[qtde_chegadas + 1] == unidade_tempo) {
fila <- rbind(fila, dados[qtde_chegadas + 1,])
qtde_chegadas <- qtde_chegadas + 1
}
if (nrow(fila) > 0) {
tempo_total_da_fila_ocupada <- tempo_total_da_fila_ocupada + 1
fila
}
if (nrow(fila) > tamanho_max_fila) {
tamanho_max_fila <- nrow(fila)
}
for (i in 1:qtde_atendentes) {
if (atendentes$disponivel[i]) {
if (nrow(fila) > 0) {
indice <- 1
if (chamados_atendidos_corte < qtde_minimo_atendido) {
for (j in seq_len(nrow(fila))) {
if (fila$servico[j] <= valor_corte) {
indice <- j
chamados_atendidos_corte <- chamados_atendidos_corte + 1
break
}
}
} else {
for (j in seq_len(nrow(fila))) {
if (fila$servico[j] >= valor_corte) {
indice <- j
chamados_atendidos_corte <- 0
break
}
}
}
atendentes$tempo_servico[i] <- fila$servico[indice]
atendentes$tempo_servico[i] <- fila$servico[indice]
atendentes$disponivel[i] <- FALSE
atendentes$tempo_atendimento[i] <- 0
tempo_total_na_fila <- tempo_total_na_fila + (unidade_tempo - fila$soma_chegada[indice])
if ((unidade_tempo - fila$soma_chegada[indice]) > tempo_max_fila) {
tempo_max_fila <- unidade_tempo - fila$soma_chegada[indice]
}
fila <- fila[-indice,]
} else {
tempo_atendente_ocioso <- tempo_atendente_ocioso + 1
}
} else {
atendentes$tempo_atendimento[i] <- atendentes$tempo_atendimento[i] + 1
if (atendentes$tempo_atendimento[i] == atendentes$tempo_servico[i]) {
atendidos <- atendidos + 1
atendentes$disponivel[i] <- TRUE
atendentes$tempo_atendimento[i] <- 0
atendentes$tempo_servico[i] <- 0
}
}
}
unidade_tempo <- unidade_tempo + 1
}
return(data.frame(
atendidos = atendidos,
qtde_chegadas = qtde_chegadas,
qtde_atendentes = qtde_atendentes,
tempo_total = unidade_tempo,
tempo_total_da_fila_ocupada = tempo_total_da_fila_ocupada,
tempo_max_fila = tempo_max_fila,
tempo_total_na_fila = tempo_total_na_fila,
media_na_fila = tempo_total_na_fila / qtde_chegadas,
tamanho_max_fila = tamanho_max_fila,
tempo_atendente_ocioso = tempo_atendente_ocioso,
tempo_atendente_ocioso_media = tempo_atendente_ocioso / qtde_atendentes,
algoritmo = NA,
valor_corte = NA,
percentual_corte = NA,
qtde_minimo_atendido = NA,
metodo = NA
))
}Simulador com for i
simulador_computacional_iteracao <- function(qtde_atendentes, qtde_iteracao, percentual_corte = NA, qtde_minimo_atendido = 2, m = "median") {
# Criando df com dados aleatórios e limpado-o, necessário para reutizar o método varias vezes sem
# ter problemas com resido de dados no contexto
df_simulados_temp <- rbind(simulador_computacional(gerar_numeros_aleatorios(nrow(dataframe_tempos)), qtde_atendentes))
df_simulados_temp <- df_simulados_temp[0,]
for (i in 1:qtde_iteracao) {
if (!is.na(percentual_corte)) {
temp <- gerar_numeros_aleatorios(nrow(dataframe_tempos))
valor_corte <- quantile(temp$servico, probs = c(percentual_corte), na.rm = FALSE)
df_simulados_temp <- rbind(df_simulados_temp, simulador_computacional_prioridade_corte(temp, qtde_atendentes, valor_corte, qtde_minimo_atendido))
} else {
df_simulados_temp <- rbind(df_simulados_temp, simulador_computacional(gerar_numeros_aleatorios(nrow(dataframe_tempos)), qtde_atendentes))
}
}
if (m == "mean") {
df_simulados_temp$metodo <- as.factor("mean")
df_simulados_temp$atendidos <- mean(df_simulados_temp$atendidos)
df_simulados_temp$qtde_chegadas <- mean(df_simulados_temp$qtde_chegadas)
df_simulados_temp$qtde_atendentes <- mean(df_simulados_temp$qtde_atendentes)
df_simulados_temp$tempo_total <- mean(df_simulados_temp$tempo_total)
df_simulados_temp$tempo_total_da_fila_ocupada <- mean(df_simulados_temp$tempo_total_da_fila_ocupada)
df_simulados_temp$tempo_max_fila <- mean(df_simulados_temp$tempo_max_fila)
df_simulados_temp$tempo_total_na_fila <- mean(df_simulados_temp$tempo_total_na_fila)
df_simulados_temp$media_na_fila <- mean(df_simulados_temp$media_na_fila)
df_simulados_temp$tamanho_max_fila <- mean(df_simulados_temp$tamanho_max_fila)
df_simulados_temp$tempo_atendente_ocioso <- mean(df_simulados_temp$tempo_atendente_ocioso)
df_simulados_temp$tempo_atendente_ocioso_media <- mean(df_simulados_temp$tempo_atendente_ocioso_media)
} else if (m == "median") {
df_simulados_temp$metodo <- as.factor("median")
df_simulados_temp$atendidos <- median(df_simulados_temp$atendidos)
df_simulados_temp$qtde_chegadas <- median(df_simulados_temp$qtde_chegadas)
df_simulados_temp$qtde_atendentes <- median(df_simulados_temp$qtde_atendentes)
df_simulados_temp$tempo_total <- median(df_simulados_temp$tempo_total)
df_simulados_temp$tempo_total_da_fila_ocupada <- median(df_simulados_temp$tempo_total_da_fila_ocupada)
df_simulados_temp$tempo_max_fila <- median(df_simulados_temp$tempo_max_fila)
df_simulados_temp$tempo_total_na_fila <- median(df_simulados_temp$tempo_total_na_fila)
df_simulados_temp$media_na_fila <- median(df_simulados_temp$media_na_fila)
df_simulados_temp$tamanho_max_fila <- median(df_simulados_temp$tamanho_max_fila)
df_simulados_temp$tempo_atendente_ocioso <- median(df_simulados_temp$tempo_atendente_ocioso)
df_simulados_temp$tempo_atendente_ocioso_media <- median(df_simulados_temp$tempo_atendente_ocioso_media)
}
if (!is.na(percentual_corte)) {
df_simulados_temp$algoritmo <- as.factor("Chegada + Prioridade")
} else {
df_simulados_temp$algoritmo <- as.factor("Chegada")
}
df_simulados_temp$percentual_corte <- percentual_corte
df_simulados_temp$qtde_minimo_atendido <- qtde_minimo_atendido
df_simulados_temp <- df_simulados_temp[1,]
rownames(df_simulados_temp) <- paste(df_simulados_temp$algoritmo, df_simulados_temp$percentual_corte, df_simulados_temp$qtde_minimo_atendido, df_simulados_temp$qtde_atendentes, sep="-")
return(df_simulados_temp)
}Gerador de Números Aleatórios
trunc <- function(x, ..., prec = 0) base::trunc(x * 10^prec, ...) / 10^prec;
gerar_numeros_aleatorios <- function(n) {
# Gerar numeros aleatório utilizando uma distribuição normal
chegada <- rnorm(n, df_medidas[1, c(2)], df_medidas[2, c(2)])
servico <- runif(n, df_medidas[5, c(3)], df_medidas[6, c(3)])
# Corrigir os números menores de 0.5 para 0
chegada <- ifelse(chegada < 0.5, 0, chegada)
servico <- ifelse(servico < 0.5, 0, servico)
# Truncar os valores gerados
chegada <- as.integer(trunc(chegada, prec = 0))
servico <- as.integer(trunc(servico, prec = 0))
return(data.frame(chegada, servico))
}Validando gerador de números
Gerando histograma
df_numeros_aleatorios <- gerar_numeros_aleatorios(nrow(dataframe_tempos))
par(mfrow = c(1, 2))
hist(df_numeros_aleatorios$chegada, main = "Histograma: tempos de chegada", xlab = "Tempo de chegada", ylab = "Frequência", col = "blue")
hist(df_numeros_aleatorios$servico, main = "Histograma: tempos de serviço", xlab = "Tempo de serviço", ylab = "Frequência", col = "red")
### Utilizando os histogramas gerados podemos observar que os dados
gerados de forma aleatória seguem o mesmo padrão dos dados originais
Correlação
pairs(df_numeros_aleatorios)
corrplot(cor(df_numeros_aleatorios), method = "number")
acf(df_numeros_aleatorios$chegada, pl = TRUE)
acf(df_numeros_aleatorios$servico, pl = TRUE)
Execução do Simulador
Executando simulador com os dados originais
df_simulado_original <- simulador_computacional(dataframe_tempos, 1)[, colunas]
rownames(df_simulado_original) <- "Original"
print(df_simulado_original)## valor_corte percentual_corte qtde_minimo_atendido algoritmo
## Original NA NA NA NA
## qtde_atendentes tempo_total tempo_total_da_fila_ocupada tempo_max_fila
## Original 1 3008 2990 1840
## media_na_fila tamanho_max_fila tempo_atendente_ocioso_media
## Original 926.068 154 4Executando simulador com os dados aleatorios
# Criando df com dados aleatórios e limpado-o, necessário para reutizar o método varias vezes sem
# ter problemas com resido de dados no contexto
df_simulados <- simulador_computacional(gerar_numeros_aleatorios(nrow(dataframe_tempos)), 1)
df_simulados <- df_simulados[0,]
qtde_atendentes <- 7
qtde_iteracao <- 3
for (i in 1:qtde_atendentes) {
df_simulados <- rbind(df_simulados, simulador_computacional_iteracao(i, qtde_iteracao))
}
for (i in 1:qtde_atendentes) {
df_simulados <- rbind(df_simulados, simulador_computacional_iteracao(i, qtde_iteracao, percentual_corte = .10, qtde_minimo_atendido = 2))
}
for (i in 1:qtde_atendentes) {
df_simulados <- rbind(df_simulados, simulador_computacional_iteracao(i, qtde_iteracao, percentual_corte = .10, qtde_minimo_atendido = 3))
}
for (i in 1:qtde_atendentes) {
df_simulados <- rbind(df_simulados, simulador_computacional_iteracao(i, qtde_iteracao, percentual_corte = .10, qtde_minimo_atendido = 4))
}
for (i in 1:qtde_atendentes) {
df_simulados <- rbind(df_simulados, simulador_computacional_iteracao(i, qtde_iteracao, percentual_corte = .15, qtde_minimo_atendido = 2))
}
for (i in 1:qtde_atendentes) {
df_simulados <- rbind(df_simulados, simulador_computacional_iteracao(i, qtde_iteracao, percentual_corte = .15, qtde_minimo_atendido = 3))
}
for (i in 1:qtde_atendentes) {
df_simulados <- rbind(df_simulados, simulador_computacional_iteracao(i, qtde_iteracao, percentual_corte = .15, qtde_minimo_atendido = 4))
}
for (i in 1:qtde_atendentes) {
df_simulados <- rbind(df_simulados, simulador_computacional_iteracao(i, qtde_iteracao, percentual_corte = .25, qtde_minimo_atendido = 2))
}
for (i in 1:qtde_atendentes) {
df_simulados <- rbind(df_simulados, simulador_computacional_iteracao(i, qtde_iteracao, percentual_corte = .25, qtde_minimo_atendido = 3))
}
for (i in 1:qtde_atendentes) {
df_simulados <- rbind(df_simulados, simulador_computacional_iteracao(i, qtde_iteracao, percentual_corte = .25, qtde_minimo_atendido = 4))
}
for (i in 1:qtde_atendentes) {
df_simulados <- rbind(df_simulados, simulador_computacional_iteracao(i, qtde_iteracao, percentual_corte = .50, qtde_minimo_atendido = 2))
}
for (i in 1:qtde_atendentes) {
df_simulados <- rbind(df_simulados, simulador_computacional_iteracao(i, qtde_iteracao, percentual_corte = .50, qtde_minimo_atendido = 3))
}
for (i in 1:qtde_atendentes) {
df_simulados <- rbind(df_simulados, simulador_computacional_iteracao(i, qtde_iteracao, percentual_corte = .50, qtde_minimo_atendido = 4))
}Analisando resultados das simulações
df_simulados_analise <- df_simulados[,colunas]# hist(df_simulados_analise$tempo_max_fila, main = "Histograma: tempos de chegada", xlab = "Tempo de chegada", ylab = "Frequência", col = "blue")
colunas2 <- c(
"qtde_atendentes",
"tempo_total",
"tempo_total_da_fila_ocupada",
"tempo_max_fila",
"media_na_fila",
"tamanho_max_fila",
"tempo_atendente_ocioso_media"
)
df_todos_simulado <- rbind(df_simulado_original, df_simulados_analise)
data_grafico <- df_todos_simulado[, colunas2]Correlação
# pairs(df_simulados[, c(3:11)])
corrplot(cor(data_grafico), method = "number")
### Podemos notar uma forte correlação entre a quantidade de atendentes
e o tempo ocioso ### Também podemos ver uma forte correlação entre si
nas métricas da fila, mostrando que, conforme o tamanho maximo fila
diminui, o tempo médio e o tempo total da fila também diminuem. ### O
tempo total do atendimento também diminui conforme o tempo da fila
diminui.
Grafico relacionando o tempo total de atendimento com o tempo de ociosidade dos atendentes
data_grafico$qtde_atendentes <- as.factor(data_grafico$qtde_atendentes)
ggplot(data_grafico, aes(x=tempo_atendente_ocioso_media, y=tempo_total)) +
geom_point(aes(col=qtde_atendentes), size=2)
### Com o gráfico podemos observar que as simulações com 2 atendentes
possuio tempo de ociosidade próximo ao minimo e um tempo de atendimento
total médio ### Já as simulações com 3 atendentes apresenta os melhores
resultados, possuindo um tempo de atendimento total próximo ao minimo e
um tempo ocioso baixo ### Podemos notar também que com 4 ou mais
atendentes o valor total do atendimento continua próximo ao minimo porém
aumentando mais o tempo de ociosidade dos atendentes
ggplot(data_grafico, aes(x=tamanho_max_fila, y=tempo_max_fila)) +
geom_point(aes(col=qtde_atendentes), size=2)
### Observando esse segundo grafico podemos ver que as simulações com 1
atendente possuem o tempo maximo na fila muito alto, isso cai para menos
da metade com 2 atendentes. ### Já com 3 atendentes, o tempo maximo e o
tamanho maximo da fila ficam próximos do minimo. ### As simulações com 4
atendentes ou novamente não apresentam ganhos significativos
Como visto, 4 atendentes ou mais não apresentam ganhos, sendo assim iremos desconsidera-los da para frente
data_grafico$qtde_atendentes <- as.integer(data_grafico$qtde_atendentes)
data_grafico <- data_grafico[data_grafico$qtde_atendentes <=3,]ggplot(data_grafico[data_grafico$qtde_atendentes == 1,], aes(x=tamanho_max_fila, y=tempo_max_fila)) +
geom_point(aes(col=row.names(data_grafico[data_grafico$qtde_atendentes == 1,])), size=2) +
geom_label(
label=rownames(data_grafico[data_grafico$qtde_atendentes == 1,]),
nudge_x = 0.25, nudge_y = 0.25)
ggplot(data_grafico[data_grafico$qtde_atendentes == 2,], aes(x=tamanho_max_fila, y=tempo_max_fila)) +
geom_point(aes(col=row.names(data_grafico[data_grafico$qtde_atendentes == 2,])), size=2) +
geom_label(
label=rownames(data_grafico[data_grafico$qtde_atendentes == 3,]),
nudge_x = 0.25, nudge_y = 0.25
)
ggplot(data_grafico[data_grafico$qtde_atendentes == 3,], aes(x=tamanho_max_fila, y=tempo_max_fila)) +
geom_point(aes(col=row.names(data_grafico[data_grafico$qtde_atendentes == 3,])), size=2) +
geom_label(
label=rownames(data_grafico[data_grafico$qtde_atendentes == 3,]),
nudge_x = 0.25, nudge_y = 0.25)
ggplot(data_grafico[data_grafico$qtde_atendentes == 1,], aes(x=tempo_atendente_ocioso_media, y=tempo_total)) +
geom_point(aes(col=row.names(data_grafico[data_grafico$qtde_atendentes == 1,])), size=2) +
geom_label(
label=rownames(data_grafico[data_grafico$qtde_atendentes == 1,]),
nudge_x = 0.25, nudge_y = 0.25)
ggplot(data_grafico[data_grafico$qtde_atendentes == 2,], aes(x=tempo_atendente_ocioso_media, y=tempo_total)) +
geom_point(aes(col=row.names(data_grafico[data_grafico$qtde_atendentes == 2,])), size=2) +
geom_label(
label=rownames(data_grafico[data_grafico$qtde_atendentes == 3,]),
nudge_x = 0.25, nudge_y = 0.25
)
ggplot(data_grafico[data_grafico$qtde_atendentes == 3,], aes(x=tempo_atendente_ocioso_media, y=tempo_total)) +
geom_point(aes(col=row.names(data_grafico[data_grafico$qtde_atendentes == 3,])), size=2) +
geom_label(
label=rownames(data_grafico[data_grafico$qtde_atendentes == 3,]),
nudge_x = 0.25, nudge_y = 0.25)
# Grafico de rede das simulações de 1 atendente
data_grafico_spider_1 <- rbind(
c(7, min(df_todos_simulado$tempo_total), min(df_todos_simulado$tempo_total_da_fila_ocupada), min(df_todos_simulado$tempo_max_fila), 0, 0, 0),
c(0, max(df_todos_simulado$tempo_total), max(df_todos_simulado$tempo_total_da_fila_ocupada), max(df_todos_simulado$tempo_max_fila), max(df_todos_simulado$media_na_fila), max(df_todos_simulado$tamanho_max_fila), max(df_todos_simulado$tempo_atendente_ocioso_media)),
data_grafico[data_grafico$qtde_atendentes == 1,])
library(RColorBrewer)
coul <- brewer.pal(12, "Set3")
colors_border <- coul
library(scales)
colors_in <- alpha(coul,0)
# plot with default options:
radarchart( data_grafico_spider_1 , axistype=2 ,
#custom polygon
pcol=colors_border , pfcol=colors_in , plwd=4 , plty=1,
#custom the grid
cglcol="grey", cglty=1, axislabcol="black", cglwd=0.8,
#custom labels
vlcex=0.8
)
# Add a legend
legend(x=1.3, y=1, legend = rownames(data_grafico_spider_1[-c(1,2),]), bty = "n", pch=20 , col=colors_border , text.col = "grey", cex=1.2, pt.cex=3)
# Grafico de rede das simulações de 2 atendente
data_grafico_spider_2 <- rbind(
c(7, min(df_todos_simulado$tempo_total), min(df_todos_simulado$tempo_total_da_fila_ocupada), min(df_todos_simulado$tempo_max_fila), 0, 0, 0),
c(0, max(df_todos_simulado$tempo_total), max(df_todos_simulado$tempo_total_da_fila_ocupada), max(df_todos_simulado$tempo_max_fila), max(df_todos_simulado$media_na_fila), max(df_todos_simulado$tamanho_max_fila), max(df_todos_simulado$tempo_atendente_ocioso_media)),
data_grafico[data_grafico$qtde_atendentes == 2,])
# plot with default options:
radarchart( data_grafico_spider_2 , axistype=2 ,
#custom polygon
pcol=colors_border , pfcol=colors_in , plwd=4 , plty=1,
#custom the grid
cglcol="grey", cglty=1, axislabcol="black", cglwd=0.8,
#custom labels
vlcex=0.8
)
# Add a legend
legend(x=1.3, y=1, legend = rownames(data_grafico_spider_2[-c(1,2),]), bty = "n", pch=20 , col=colors_border , text.col = "grey", cex=1.2, pt.cex=3)
# Grafico de rede das simulações de 3 atendente
data_grafico_spider_3 <- rbind(
c(7, min(df_todos_simulado$tempo_total), min(df_todos_simulado$tempo_total_da_fila_ocupada), min(df_todos_simulado$tempo_max_fila), 0, 0, 0),
c(0, max(df_todos_simulado$tempo_total), max(df_todos_simulado$tempo_total_da_fila_ocupada), max(df_todos_simulado$tempo_max_fila), max(df_todos_simulado$media_na_fila), max(df_todos_simulado$tamanho_max_fila), max(df_todos_simulado$tempo_atendente_ocioso_media)),
data_grafico[data_grafico$qtde_atendentes == 3,])
# plot with default options:
radarchart( data_grafico_spider_3, axistype=2 ,
#custom polygon
pcol=colors_border , pfcol=colors_in , plwd=4 , plty=1,
#custom the grid
cglcol="grey", cglty=1, axislabcol="black", cglwd=0.8,
#custom labels
vlcex=0.8
)
# Add a legend
legend(x=1, y=1, legend = rownames(data_grafico_spider_3[-c(1,2),]), bty = "n", pch=20 , col=colors_border , text.col = "grey", cex=1.2, pt.cex=3)